power kampagne banner 990x122px

L’intelligence artificielle pour détecter la maladie parodontale

Un algorithme de deep learning a permis de déceler des atteintes parodontales à partir d’images radiographiques en 2D.

Par Agnès Taupin, publié le 21 juin 2022

L’intelligence artificielle pour détecter la maladie parodontale

Un algorithme de deep learning (apprentissage profond) – forme d’intelligence artificielle – a détecté avec succès une maladie parodontale à partir d’images radiographiques en 2D, selon une étude présentée lors du congrès EuroPerio10, organisé par l’EFP.

« Notre étude montre le potentiel de l’intelligence artificielle pour identifier automatiquement les pathologies parodontales qui pourraient autrement être omises », a déclaré l’auteur de ces stravaux, le Dr Burak Yavuz de l’université Eskisehir Osmangazi (Turquie). « Cela pourrait réduire l’exposition au rayonnement en évitant les évaluations répétées, prévenir la progression silencieuse de la maladie parodontale et permettre un traitement plus précoce ».

 

Perte osseuse

 

Cette étude a évalué la capacité de l’apprentissage profond à déterminer l’état parodontal dans les radiographies interproximales. Elle s’est appuyée sur 434 radiographies de patients atteints de parodontite. Le traitement des images a été réalisé avec l’architecture u-net, un réseau neuronal convolutif utilisé pour segmenter rapidement et précisément les images. Un praticien spécialisé a également évalué les images avec la méthode de segmentation. Les évaluations comprenaient la perte totale d’os alvéolaire autour des dents supérieures et inférieures, la perte osseuse horizontale et verticale, les défauts de furcation et le tartre autour des dents des deux arcades.   

Le Dr Yavuz a déclaré que son étude illustrait « la capacité de l’intelligence artificielle à détecter de nombeux types de défauts à partir d’images en deux dimensions qui pouvait faciliter le diagnostic de la parodontite ». Il a précisé que des études plus approfondies étaient nécessaires sur des ensembles de données plus importants pour accroître le succès des modèles et étendre leur utilisation aux radiographies 3D.